Professional Documents
Culture Documents
a la transformación
digital industrial
Industria 4.0
Pablo A. Huergo
¿Qué es la digitalización en la
industria?
• Web 1.0/Web 2.0/Web 3.0 (Redes sociales)
1.
Mechanization
2.
Electrification
3.
Automation
4.
Networking
www.telit.com
hTp://ceeialcoi.emprenemjunts.es/?op=8&n=14840
¿Qué hace posible la digitalización?
• Concepto de digitalización: converLr las
señales del mundo analógico en digital.
hTp://www.marLnhilbert.net/worldinfocapacity-html/ (2011)
Algunos avances tecnológicos
• IoT/IIoT (internet of Things) • UAV (Unmaned Aerial Vehicles)
• BigData/AnalyKcs • 3D prinKng
• AI (ArLficial Intelligence) • Sensors, SCADA-PLC / DCS
• Ciberseguridad • ProductLifeCycle,
• VirtualizaKon / Cloud QuantumLifeCycle…
• Augmented Reality • HTTPS, MQTT, M2M
• Virtual Reality • ERP, MPR, MPS, MES...
• Robots / bots • Apps, wearables
• Blockchain • ...
hTps://www.pharma-iq.com/pre-clinical-discovery-and-development/white-papers/the-future-of-drug-discovery-ai-2020
Gartner’s Hype cycle 2014
hTps://www.gartner.com/newsroom/id/2819918?_ga=1.51071721.1904172021.1401730474
hTps://www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/
hTps://www.accenture.com/t20170116T084450__w__/us-en/_acnmedia/Accenture/Conversion-Assets/WEF/PDF/Accenture-DTI-execuLve-summary.pdf
¿Y el IoT – Internet of Things?
El Internet of things (o IoT, término
acuñado por Kevin Ashton,
cofundador del Auto-ID Center del
MIT) es la interconexión de
disposiKvos [sicos, vehículos
(también conocidos como
"disposiLvos conectados" y
"disposiLvos inteligentes"), edificios
y otros elementos, integrados con
electrónica, sopware, sensores,
actuadores y conecLvidad de red
que permiten a estos objetos
hTps://en.wikipedia.org/wiki/Internet_of_things
recopilar e intercambiar datos.
Un culLvo perfecto para el IoT
• El acceso a Internet de banda ancha es cada vez
más común (3G, 4G…)
• El coste de conexión a internet está
disminuyendo.
• Los costes de la tecnología están bajando.
• Se están creando más disposiLvos con
capacidades Wi-Fi y sensores incorporados.
• La penetración de los teléfonos inteligentes está
aumentando.
El IoT es una gigantesca red de "cosas
y personas" conectadas.
• Y es la nube, en funcionamiento desde el año
2000, la que posibilita #IoT#.
• El entorno se ha converLdo en la interfase, en
dónde debemos aprender una nueva forma de
“dar senKdo”.
• “Dar senKdo” es la habilidad de leer datos como
datos y no como ruido. Este es el reto al que
todavía nos enfrentamos hoy en día.
hTp://www.theinternetophings.eu
IIoT-Industrial Internet of Things
“La principal diferencia es que, cuando los
consumidores de IoT a menudo se centran en la
conveniencia para los consumidores
individuales, la IoT Industrial se centra en gran
medida en la mejora de la eficiencia, la
seguridad y la producKvidad de las operaciones
con un enfoque en la rentabilidad de la
inversión”
Bill Morelli, director asociado en IHS Tecnologías de la Información y Telecomunicaciones de M2M y la Internet de las Cosas
Key impacts of IoT on Industry
• AutomaLon: Conectar máquinas, sensores y actuadores a sistemas
informáLcos permite un alto grado de automaLzación de procesos.
hTps://www.ibm.com/developerworks/ssa/local/im/que-es-big-data/Big-Data-Types.jpg
Tipos de datos
• Structured Data: El data warehouse conLene datos
estructurados y sólo datos estructurados. En los RDBMS la
estructura es obligatoria.
hTp://www.computerworld.es/tendencias/el-universo-digital-
se-expande-acelerado-por-el-crecimiento-de-los-datos (2014)
Penetración en internet
• La penetración de usuarios en Internet en el 2015 se mulKplicó
por siete desde el año 2000
• Entre 2000 y 2015 la penetración de Internet se ha mulLplicado
casi por siete, pasando del 6,5 al 43 por ciento de la población
mundial.
• Proporción de hogares con acceso a Internet aumentó del 18 por
ciento en 2005 al 46 por ciento en 2015.
• Los datos de la UIT (Unión Internacional de Telecomunicaciones de
la ONU) también indican que en el mundo en desarrollo sigue
habiendo 4 000 millones de personas sin acceso a Internet. De los
casi 1 000 millones de personas que viven en países menos
adelantados (PMA), 851 millones no uLlizan Internet.
hTp://www.itu.int/net/pressoffice/press_releases/2015/17-es.aspx
Un estudio realizado en el 2015 por la
OBS Business School
• En 2020, más de 30 mil millones de disposiKvos estarán
conectados a Internet.
• En 2014 se transfieren 1.570 terabytes de información por minuto.
• En 2014 el número de proyectos Big Data puestos en producción ha
crecido un 5%.
• Las soluciones tecnológicas Big Data aportarán 206.000 millones de
euros a la economía de Europa en el año 2020, un incremento en el
PIB de la Eurozona de un 1,9%.
• Las áreas donde el Big Data ha demostrado ser un gran aliado de
las empresas son en la mejora de la experiencia de cliente y en la
mejora de la eficiencia de los procesos de negocio.
• El 95% de las empresas apostarán por el IoT en un plazo máximo de
tres años.
hTp://www.obs-edu.com/es/noLcias/estudio-obs/en-2020-mas-de-30-mil-millones-de-disposiLvos-estaran-conectados-internet (2015)
hTp://www.cnet-training.com/news/what-happens-in-an-internet-minute/
hTps://wearesocial.com/special-reports/digital-in-2017-global-overview
Otro estudio: OBS Business School (2016)
El informe de OBS indica que el 65% de las empresas saben que corren el riesgo
de converKrse en irrelevantes o no compeKKvas si no adoptan Big Data
• En los próximos 2 años, hasta el 75% de las empresas inverLrá en Big Data.
• Wi-Fi: A nivel mundial, el total de puntos de acceso públicos W-Fi aumentarán
en 7: desde 64,2 millones en 2015, a 432,5 millones en 2020.
• Volumen de descargas: aumento de un 51% (3,9 exabytes / mes) en 2015 a
55% (38,1 exabytes / mes) para el año 2020.
• En 2020, se esLma que habrá 601 millones de disposiKvos portáKles a nivel
mundial, mulLplicando el dato actual por 5: de 97 millones en 2015 a una tasa
compuesta anual del 44%.
• Tráfico de datos: En 2015, el tráfico 4G superó el tráfico 3G y ahora
representa la mayor parte del tráfico de datos móviles por Lpo de red.
• Smartphones: La parte de los disposiLvos inteligentes y conexiones como un
porcentaje del total aumentará del 36% en 2015, al 67 % en 2020.
hTp://www.obs-edu.com/es/noLcias/estudio-obs/estudio-obs-big-data-2016
(Estudio sobre la adopción del “Big Data” por parte de las empresas. José María Moroto. Profesor de Data
Management en la OBS Business School” - 2016).
Casos Reales
• Exploración de datos, encontrar, visualizar, entender,
• Automoción, mantenimiento, control remoto
• Energy forecasLng
• Seguridad y Detección de fraude (eléctricas, bancos…),
gesLón de demanda (eléctricas…)
• Mejorar la visión de los clientes
• Análisis de operaciones
• Aumentar la eficiencia en data warehouse
• Genómica (3 billion base pairs)
• healthcare – biomedicina
Virtualización
• Es la emulación del hardware zsico a través
de un sopware conocido como hipervisor, con
el cual se pueden correr simultáneamente
disLntos sistemas operaLvos en un mismo
host zsico.
Cloud
• La computación en la nube o servicios en la nube, es un
paradigma que permite ofrecer servicios de computación a
través de internet.
PRIVADA PÚBLICA
La empresa es dueña de la Terceras partes son dueños de la
infraestructura y se encarga de infraestructura y responsables de la
darle mantenimiento a la misma instalación, gesLón, provisión y
(Centros de datos on-premise). mantenimiento de la misma.
Pre-Historia del Cloud
hTps://www.scienLficcompuLng.com/arLcle/2017/06/how-cloud-compuLng-can-shape-pharmaceuLcal-industry
SaaS soluLon for Clinical Trial
hTps://www.pharmamanufacturing.com/arLcles/2015/cloud-compuLng-in-pharma/
hTps://www.bvp.com/blog/bvp-cloudscape-top-300-private-cloud-companies-0 (2014)
Ciberseguridad
• ISO/IEC 27032 Guidelines for cybersecurity:
“The complex environment resulLng from the interacKon of people,
so9ware and services on the Internet by means of technology devices
and networks connected to it, which does not exist in any physical form.”
hTp://dataprivacylab.org/projects/idenLfiability/
Ejemplos reales… idenKficación
• El 16 de febrero de 2012, el New York Times
publicó un ar•culo acerca de la capacidad de
la empresa americana Target de idenLficar
cuando una cliente está embarazada, a través
de detalles ínLmos sobre sus patrones de
consumo con los minoristas.
• hTp://www.nyLmes.com/2012/02/19/
magazine/shopping-habits.html?_r=0
Ejemplos reales…
predicción de comportamiento
• Raytheon Riot Sopware predice
comportamiento basado en Social Media.
Para ello uLliza los datos y fotos colgados en
Facebook y otras redes sociales, los mini-
mensajes de TwiTer y además aprovecha la
localización por GPS que la gente acLva en sus
smartphones y con aplicaciones como
Foursquare u otras.
hTps://www.theguardian.com/world/2013/feb/10/sopware-tracks-social-media-defence
Ejemplos reales… detección del crimen
Paper: Andrey Bogomolov, Bruno Lepri, JacopoStaiano, Nuria Oliver, Fabio Pianesi, and Alex Pentland. Once
Upon a Crime: Towards Crime PredicKon from Demographics and Mobile Data. 2014.
La principal contribución del enfoque de ese estudio radicó en
el uso de datos agregados y anónimos de comportamiento
humano derivados de la acKvidad de redes móviles para
abordar el problema de la predicción del crimen. Aunque
también se uLlizaron tanto datos históricos de antecedentes
como el perfil de los infractores, los resultados apoyaban la
hipótesis de que los datos agregados de comportamiento
humano capturados de la infraestructura de redes móviles, en
combinación con información demográfica básica, pueden
usarse para predecir el crimen. Con datos reales de la
delincuencia de Londres obtuvieron una precisión de casi el 70%
al predecir si un área específica en la ciudad iba a ser un punto
críLco del crimen o no.
hTps://arxiv.org/pdf/1409.2983v1.pdf
Ejemplos reales… The end of privacy
Science Special Issue | 30 January 2015 - The end of privacy
En este trabajo (Yves-Alexandre de Montjoye, Laura Radaelli,
VivekKumarSingh, Alex “Sandy” Pentland. Unique in the
shopping mall: On the reidenLfiability of credit card
metadata. Science30 January2015: Vol. 347 no. 6221 pp.
536-539 DOI: 10.1126/science.1256297) se estudian y
analizan 3 meses de registros de tarjetas de crédito de 1,1
millones de personas y los autores demuestran que 4 puntos
espacio-temporales son suficientes para reidenLficar el 90%
de los individuos. Se demuestra que saber el precio de una
transacción aumenta el riesgo de reidenLficación en un 22%,
en promedio.
Mundo de la salud
• De acuerdo al estudio de 2011 del Kinsey Global InsLtute sobre big
data, uno de los más referenciados en la Web, si la sanidad en
Estados Unidos uKlizara BigData de forma creaKva y eficaz para
impulsar la eficiencia y la calidad, el sector podría crear más de
300.000 millones de $ en valor cada año. Dos tercios de ése sería
en forma de reducción de los gastos de salud de los EEUU en cerca
de 8 por ciento. En las economías desarrolladas de Europa, las
administraciones podrían ahorrar más de 100.000 millones de € en
mejoras en la eficiencia operaLva uLlizando BigData (sin incluir
BigData para reducir el fraude y errores ni aumentar la
recaudación de impuestos).
hTp://www.mckinsey.com/business-funcLons/digital-mckinsey/our-insights/big-data-the-next-fronLer-for-innovaLon
• “En esta invesLgación, aplicamos análisis de Big Data para
mejorar la eficiencia de la automa<zación y ges<ón de
farmacia, encontrando diferentes reglas y patrones de los
medicamentos suscritos”, dice Sang Won Yoon.
“Adicionalmente, podemos aplicar esta invesLgación para
mejorar tanto la automaLzación y gesLón de farmacia, y para
ayudarnos a entender, a futuro, los temas de fidelidad y
con<nuidad de los pacientes con las medicaciones”.
hTp://www.sciencedirect.com/science/arLcle/pii/S0957417416300781
Estudio de mejora
de la automaLzación en los sistemas RPDS
• El conocimiento se obLene realizando minería de
datos sobre la base de datos de prescripciones.
• La minería con reglas de asociación se usa para
descubrir las asociaciones entre los fármacos.
• Se analizan los patrones de dispersión de
fármacos.
• Se proporcionan diseños mejorados de
planogramas para sistemas de automaLzación de
farmacias.
hTp://www.sciencedirect.com/science/arLcle/pii/S0957417416300781
¿Qué se hace ahora con BigData?
• Accelerate drug discovery and development - P.e. La aplicación de
análisis predicLvos a los parámetros de búsqueda debería ayudarlos a
afinar la información relevante y también a obtener una idea de cuáles
son las posibilidades de obtener los mejores resultados.
• OpKmize and improve the efficacy of clinical trials - P.e. idenLficando a
los pacientes más adecuados para los ensayos clínicos analizando datos
demográficos e históricos
• Target specific paKent populaKons more effecKvely – P.e. buscando un
gen específico
• Beyer insight into paKent behaviour to improve drug delivery and
effecKveness and healthcare outcomes - P.e. evitar que los pacientes se
olviden de tomar la medicación
• Improve safety and risk management - Analizar datos del mundo social
como aviso temprano.
• Gain improved insight into markeKng and sales performance - Análisis
mercado / cómo se prescriben medicamentos
hTps://www.bigdatainpharma.com/6-ways-pharmaceuLcal-companies-are-using-big-data-to-drive-innovaLon--value-mc
¿Qué se puede hacer con BigData?
• Realizar simulaciones de medicamentos
• Obtener conocimiento a través de la minería de datos de
bases de datos de prescripciones
• Mejorar las estrategias de automaKzación y gesKón de
farmacia
• Ayudarnos a entender la fidelidad y conLnuidad de los
pacientes con las medicaciones
• Obtener información sobre la opinión y
comportamientos de los clientes
• Tener información epidemiológica de la vida real
• Conocer en la prácLca la diferencia que hay entre la
eficacia -estudios clínicos- y la efecKvidad -vida real-
Especial atención…
• Anonimizar los datos
• Conseguir que se digitalice todo
• Conseguir que la información esté accesible
• Atención a la veracidad de los datos
• No olvidar el valor y la viabilidad en todo
proyecto
• No subesLmar el coste de los recursos que
BigData lleva asociados (infraestructura,
personal formado, etc.)
Pharma
PLC-BASED
INDUSTRIAL MONITORING
Challenge : Integration
Application: MES/ERP/MRP
Things:
Data collection from PLCs
Data
Manufacturing and quality
control data
Todo junto es lo que hace posible
la digitalización y la industria 4.0
Muchas gracias